Beitrag drucken

Embedded-KI projektieren

Wie KI in Produkte kommt

Wer eine lokale Embedded-KI in ein Produkt integrieren und vermarkten will, muss vor der Wahl externer Systemkomponenten eine Reihe von Vorarbeiten leisten: So müssen Produktmanagement und Entwicklung genau wissen, wie der Prozess mit KI abläuft und wie die lernenden Algorithmen langfristig auf Produktzyklen wirken.

Ein grober Produktentwicklungs-Ablauf mit Embedded-KI. Der Technologie-spezifischste Teil ist unter der Prototypingphase dargestellt. (Bild: AITAD GmbH)

Ein grober Produktentwicklungs-Ablauf mit Embedded-KI. Der Technologie-spezifischste Teil ist unter der Prototypingphase dargestellt. (Bild: AITAD GmbH)

Der Markt für produktintegrierte KI-Systeme dürfte vor rasantem Wachstum stehen, wie verschiedene Berechnungen zeigen. Aufteilen lässt sich der Markt in diese drei Einsatzgebiete: Prozess/Funktionalität, User Interaction und Wartung. Ersteres ermöglicht neuartige Funktionen, die den Zielnutzen eines Produkts optimieren oder gar verändern. Als zusätzliches, sich daraus ergebendes Feld wird User Interaction ausgelagert, da sie einiges bieten kann: von einfacher Sprach-Befehlseingabe (das heißt KWS, Keyword Spotting) über Gestenerkennung bis hin zu komplexeren Mensch-Maschine-Kollaborationen wie Bedienertracking, Augentracking oder Werkstückerfassung.

Wann lokal, wann ‚on edge‘?

Die Definitionsabgrenzung zwischen einer lokalen Embedded-KI-Lösung und dem weitläufiger verwendeten Edge-KI-Begriff ist bei den hier dargestellten Systemkomponenten in den meisten Fällen unauflöslich verschwommen. Schließlich gibt beispielsweise ein Predictive Maintenance Node mit entsprechendem Sensor und einer kleinen, dezentralen Recheneinheit immer eine mehr oder minder ausführliche Statusinformation an das Zentralsystem weiter. Es gibt ebenso die Möglichkeit, Trigger- oder Preprocessing-Parameter zu ändern oder gar ganze Modelle zu beeinflussen respektive upzudaten. Die Trennlinie der Begriffe liegt also im Dateninhalt beider Kommunikationsrichtungen. Grundsätzlich werden vereinfacht dargestellt Systeme, die ein Klassifizierungsergebnis am Node liefern, eher als Embedded-KI und solche mit ausschließlicher Datenvorverarbeitung und größerem Processing außerhalb des Nodes – also auf der Steuerung oder der Cloud – als Edge-KI bezeichnet. Beides ist mit IoT- und IIoT-Konzepten vereinbar. In diesem Artikel wird stets von Embedded-KI gesprochen, auch wenn viele der Aussagen auf beides applizierbar sind.

Hürden bei Projekten

Häufig reichen vorhandene Produkt- oder Prozessdaten nicht aus. Dies betrifft Qualität, Erfassung und Speicherung. Ein weiterer, früher Trugschluss ist oft, dass die bereits in der aktuellen Produktgeneration vorhandenen Sensoren mit ihrer Auflösung, Empfindlichkeit und Messrate ausreichen. Die Lösung eines solchen Problems liegt entweder in Umstellung oder Veränderung der Messweise über einen komplementierenden Sensor für die vermuteten oder geforderten physikalischen Größen oder einem Neudesign mit einem für alle Zwecke passenden, gegebenenfalls etwas teureren Sensor. Eine Hürde, die auch die IIoT- und Automatisierungswelt gut kennt, ist die Interface- und Protokoll-Thematik. Um das Zusammenspiel der Komponenten im System und darüber hinaus abzusichern, müssen die Komponenten entsprechende Industrie-Interfaces wie One-Pair-Ethernet, Ethercat, USB, CAN, LIN aufweisen bzw. das jeweilige proprietäre Protokoll beherrschen. Eingeschlossen ist auch das Gesamtkonzept mit den üblicherweise übergeordneten Shopfloor- bzw. Field-Service-Systemen, die die Lebensdaten oder Prozessüberwachung letztendlich statistisch erfassen und den Service- oder Produktionsprozess steuern. Die Aufgabenteilung und Datenabstraktion müssen von Anfang an klar sein.

Projektablauf

Am Anfang eines Produktzyklus muss in der Konzeptphase der KI-Einsatz mit der Kosten- und Nutzenfunktion erwogen werden. Dies setzt gesamtheitliches Denken voraus, denn gerade bei neuen HMI- oder Predictive-/Preventive-Maintenance-Systemen kommt man mit einzelnen Überwachungskomponenten beim Produkt entweder wirtschaftlich (z.B. Verfügbarkeitsgarantie beim Geschäftsmodell) oder als Verkaufsargument nicht weiter. Meistens ist bei einer HMI ein neu aufgestelltes Konzept notwendig, während bei Wartungsthemen eine wirtschaftliche Berechnung sinnvoll sind, bei der Kosten in Form von Hardware, Service und Ausfallskomponenten mit den Ausfallswerten aus der Vergangenheit abgewogen werden. In den meisten Fällen kommt man aufgrund der Natur des Machine Learnings sehr früh nicht um einen praxisbezogenen Proof-of-Concept herum. Der diesbezügliche Bedarf zeigt sich bereits am Anfang im Produktentwicklungsprozess, die damit einhergehenden Einstiegskosten mit Datensammlung, Verarbeitung und Data Science sind aber gerade bei erstmaligen Entwicklungsprozessen nicht zu unterschätzen.

Struktur eines Edge-/Embedded-KI-Nodes mit den Hauptbestandteilen und der möglichen Varianz. (Bild: AITAD GmbH)

Struktur eines Edge-/Embedded-KI-Nodes mit den Hauptbestandteilen und der möglichen Varianz. (Bild: AITAD GmbH)

Tipps für die Praxis

Verantwortliche sollten nie das Gesamtbild und das im Unternehmen und insbesondere beim Entwicklungsteam vorhandene Wissen und entsprechende Lösungsvorschläge aus den Augen verlieren. Ein wichtiger Hinweis oder eine Idee vom Produktdesigner oder dem mechanischen Konstrukteur kann früher verworfenes oder unrealisierbar erscheinendes wieder in den bereich des Möglichen rücken, was zu neuen Ansätzen führt. Beteiligte sollten folglich die Konzeption mit Embedded-AI als ein interdisziplinäres Feld betrachten mit fester Zielsetzung, internen Ideen und Daten als Grundlage. Dabei sollten sich die Projektteilnehmer die Stärken von Machine Learning (ML) zunutze machen, nämlich unbekannte Muster zwecks Klassifizierung zu verwenden. Lässt sich ein ein Prozess nicht direkt überwachen, etwa weil die Sensorik zu teuer wäre, könnten es sekundäre Messmethoden und ML gegebenenfalls trotzdem möglich machen. Indirekte Messweisen können beispielsweise Spektrografie bei Medien oder VOC-Stauberkennung bei Abluft sein. Um die Ecke zu denken ist also in diesem Zusammenhang alles andere als verkehrt.

Produkt langfristig denken

Nachhaltige Entwicklungsprinzipien in Form von Zugänglichkeit, übersichtlicher (Code-)Struktur sowie der Ressourcen- und Kompetenzeneffizienz sollten stets berücksichtigt werden. Denn gerade bei Wartungserkennung können die Algorithmen bei einem leicht veränderten Produktdesign oder gar einer geringfügigen Zulieferteiländerung unpräziser werden. Mittelfristig werden Modell-Iterationen und Updates nötig sein. Diese dürften aufgrund der bereits erwähnten Adaptionsthemen recht einfach ausfallen. Doch muss die Produktpflege im Produktionszeitraum besonders betrachtet werden, was einen kontinuierlichen Support- und Entwicklungsprozess einschließt.

Neues Toolset

Embedded-KI ist ein spezifisches, sich schnell fortentwickelndes und noch unterschätztes Produktfeld. Mit genauer Projektplanung, Ressourcenzuordnung und den notwendigen Skills dürfte der Ansatz allmählich zum gewöhnlichen Toolset der Produktentwickler werden – angefangen vom Management über den mechanischen Background bis hin zur Prozessplanung. Viele Prozesse und Messgrößen können im neuen Licht betrachtet werden. Wichtig ist, das mit Proof-of-Concepts validierte Konzept sattelfest aufzustellen. Der Konzeptgedanke sollte sich nicht nur auf das System beschränken, sondern sich auch über die Produktlebensdauer, Optimierungen, Updates und technologische Fortschritte erstrecken. Dann steht dem innovativen Produkt nichts im Wege.


Das könnte Sie auch interessieren:

Der Automatisierer Siemens hat eine Infrastruktur für private industrielle 5G-Netze vorgestellt. Das Paket mit Fokus auf Automatisierungsanwendungen besteht aus einem 5G-Core und einem Funkzugangsnetz, das die Central Unit, die Distributed Unit und die Radio Units beinhaltet. Die 5G-Scalance-Router von Siemens sind mit dem Paket kompatibel.‣ weiterlesen

1988 gründen Andreas Melkus, Theodor Kusejko und Marianne Kusejko Sigmatek und bringen eine Steuerung für den Maschinenbau und die Robotik auf den Markt. 35 Jahre später umfasst das Produktspektrum neben Steuerung und I/Os auch Visualisierung, Antriebstechnik und Safety.‣ weiterlesen

Ein neues Software-Framework soll Unternehmen die Abnahme bzw. Auditierung von KI- Anwendungen erleichtern. Das Framework erarbeiten das Fraunhofer IPA und das Institut für Industrielle Fertigung und Fabrikbetrieb IFF der Universität Stuttgart gemeinsam im Forschungsprojekt ’AIQualify’ der Forschungsgemeinschaft Qualität.‣ weiterlesen

Mit Gavin Moore hat der Cloud- und Daten-Spezialist NetApp einen neuen Vice President sowie CTO für die Regionen EMEA und LATAM. Er berichtet an Giovanna Sangiorgi.‣ weiterlesen

AM-Experten aus dem Maschinenbau verstärken Fachbeirat der Rapid.Tech 3D. Die Veranstaltung findet 2024 zum 20. Mal statt.‣ weiterlesen

KI-Use Cases in der Smart Factory setzen meist individuelle Projektierungen voraus. Jetzt hat MES-Hersteller MPDV die AI Suite vorgestellt. Darin sind acht KI-Standardanwendungen für die Fertigungs-IT Hydra und Fedra enthalten, mit denen sich etwa Ausschuss reduzieren, Rüstzeiten optimieren oder die Produktqualität prognostizieren lassen.‣ weiterlesen

Zum zweiten Mal in Folge wurde die Marke von weltweit 500.000 neu installierten Industrie-Robotern übertroffen. Für das laufende Jahr prognostiziert die International Federation of Robotics ein erneutes Plus von 590.000 Einheiten.‣ weiterlesen

Im Rahmen einer Partnerschaft zwischen TeamViewer und Ivanti wird die Ivanti-Software Neurons for Mobile Device Management (MDM) in TeamViewers Angebot für Remote Monitoring and Management integriert.‣ weiterlesen

An zwei Terminen im Oktober können sich Interessierte auf den Proxia XI Days über den Einsatz und die damit verbundenen Möglichkeiten von Manufacturing Execution Systems informieren.‣ weiterlesen

Infineon leitet das europäisches Forschungsprojekt EECONE, das Nachhaltigkeit und Kreislaufwirtschaft in der Elektronikindustrie fördern soll. Insgesamt sind 49 Partner beteiligt.‣ weiterlesen